مقایسه نتایج مدل رگرسیون لجستیک و الگوریتم cart در تعیین عوامل پیش آگهی دهنده ابتلا به بیماری عروق کرونر درشهر مشهد

سابقه و هدف: درک ﻋﻮاﻣﻞ ﺧﻄﺮ ﺑﯿﻤﺎری‌ﻫﺎی ﻗﻠﺒﯽ ﻋﺮوﻗﯽ ﮐﻪ مهم‌ترین ﻋﻠﺖ ﻣﺮگ در ﺗﻤﺎم دﻧﯿﺎ اﺳﺖ، ﻣﯽ‌ﺗﻮاﻧﺪ تغییرات ﻣﻬﻤﯽ در روش‌های ﭘﯿﺸﮕﯿﺮی، اﺗﯿﻮﻟﻮژی و درﻣﺎن آن ایجاد ﻧﻤﺎید. هدف این مطالعه مقایسه عملکرد دو مدل رگرسیون لجستیک و الگوریتم cart در تعین عوامل پیش‌آگهی‌دهنده بر ابتلا به بیماری عروق کرونر در ساکنین شهر مشهد است.مواد و روش‌ها: در این مطالعه مورد شاهد از داده‌های مطالعه کوهورت (mashad study: mashhad stroke and heart atherosclerotic disorder) که در سال 2009، انجام شده بود، استفاده و عوامل پیش‌آگهی‌دهنده بر ابتلا به بیماری عروق کرونر با دو مدل رگرسیون لجستیک و الگوریتم cart، با نرم‌افزارهای 14 stata و r تعیین شد. کارایی دو مدل با سطح زیر منحنی مشخصه عملکرد (auc) مقایسه شد.تمامی افراد مبتلا به بیماری عروق کرونر به عنوان مورد و به ازای هر مورد، سه شاهد در نظر گرفته شد.یافته‌ها: رگرسیون لجستیک نشان داد سابقه سکته قلبی، ابتلا به دیابت، سابقه ابتلا به چربی خون، سن و سابقه بیماری عروق کرونر در پدر و برادر از عوامل پیش‌آگهی‌دهنده بر ابتلا به بیماری عروق کرونر در مشهد هستند. الگوریتم cart نیز، سن بالا، سابقه سکته قلبی، سابقه فشارخون، افسردگی، سطح فعالیت شبانه‌روزی و شاخص توده بدنی را به عنوان عوامل پیش‌آگهی‌دهنده تعیین کرد.استنتاج: عوامل پیش‌آگهی‌دهنده مشترک حاصل از دو مدل، سابقه سکته قلبی و سن بود. با توجه به کارایی بهتر مدل لجستیک، می‌توان پیشنهاد کرد در صورت عدم وجود اثر متقابل در متغیرهای پیش بین، برای شناسایی عوامل موثر بر ابتلا به بیماری عروق کرونر از مدل رگرسیون لجستیک چندگانه باینری استفاده شود.

Comparing the Results of Logistic Regression Model and Classification and Regression Tree Analysis in Determining Prognostic Factors for Coronary Artery Disease in Mashhad, Iran

Background and purpose: Understanding of the risk factors for cardiovascular artery disease, which is the leading cause of death worldwide, can lead to essential changes in its etiology, prevalence, and treatment. The aim of this study was to compare the results of logistic regression model and Classification and Regression Tree Analysis (CART) in determining the prognostic factors for coronary artery disease in people living in Mashhad, Iran.Materials and methods: The present casecontrol study used the cohort data of Mashhad stroke and heart atherosclerotic disorder (MASHAD STUDY), 2009. The prognostic factors for coronary artery disease were determined by CART and Logistic regression models using R and Stata 14. Then, the efficiency of the models was compared by computing the area under the performance characteristic curve (AUC). All patients with coronary artery disease were considered as the case and for each case, three controls were selected.Results: According to Logistic model, prognostic factors for coronary artery disease included age, history of myocardial infarction, diabetes, history of hyperlipidemia, and family history of heart disease (father and brother). The CART algorithm showed age, history of myocardial infarction, history of hypertension, depression, physical activity level, and body mass index as prognostic factors for coronary artery disease in people in Mashhad.Conclusion: Myocardial infarction and age were common prognostic factors for coronary artery disease according to the models applied. According to the efficiency of logistics model, binary multiple logistic regression model is suggested to be used in identifying the factors affecting coronary artery disease, if there is no interaction between the predictors.